Sponsored
Sponsored

Vorhersage des Fahrstuhlverkehrs mit SAS

Sponsored
Abbildung 2: Durchschnittlicher Verkehrsfluss eines Gebäudes in 15 Arbeitstagen

Es wird die Software Statistical Analysis System (SAS) verwendet, deren Ergebnisse mit Messdaten verifiziert werden.

von Xu Ruiying, Yao Lianghong, Yu Kun und Wan Jianru

Hoch- und Superhochhäuser waren in den letzten Jahren Trends der Baubranche. Das Problem des vertikalen Verkehrs muss jedoch gelöst werden. Eine vernünftige Auswahl und Anordnung von Aufzügen spielen eine wichtige Rolle bei der effektiven Nutzung der Gebäudefläche und der vernünftigen Verteilung des Fahrgaststroms. Da die Verkehrsflussvorhersage für die Aufzugsauswahl und die Gruppensteuerungssimulation notwendig ist, muss der Aufzugsverkehrsfluss von Gebäuden genau vorhergesagt werden, um eine vernünftige Auswahl der Aufzugskonfiguration zu erreichen. Daher ist es sehr wichtig, die Vorhersage des Aufzugverkehrsflusses zu studieren.[1]

Dieser Artikel analysiert die Eigenschaften des Aufzugsverkehrsflusses und verwendet dann SAS-Software, um den Aufzugsverkehrsfluss vorherzusagen. Das Modellierungsverfahren Autoregressive Integrated Moving Average (ARIMA) wird dann verwendet, um das Vorhersagemodell des Verkehrsflusses zu erstellen. Die Methode wird mit den Messdaten eines Gebäudes in Tianjin, China, verifiziert. Eine ausgezeichnete Vorhersageleistung wird durch den Vergleich der experimentellen und gemessenen Daten gezeigt. Die Simulations- und experimentellen Ergebnisse zeigen, dass das Modell den Verkehrsfluss von Aufzügen effektiv vorhersagen kann. Schließlich bietet dieses Papier eine Vorstellung von Aufzugsauswahl und -disposition basierend auf der Studie.

Fahrstuhlverkehrsflussanalyse

Immobilien

Die Verkehrsflussanalyse von Aufzügen hängt hauptsächlich vom Gebäudetyp ab.[2] Gegenstand dieser Studie ist ein Bürogebäude. Die Aufzugsverkehrs-Eigenschaft eines Bürogebäudes erscheint relativ stationär, da Menschen in Bürogebäuden in der Regel regelmäßig arbeiten und sich ausruhen. Diese Eigenschaft macht es möglich und notwendig, den Verkehrsfluss zu analysieren und vorherzusagen. Der Aufzugsverkehrsfluss wird durch die Anzahl, die vorkommende Zeit und die Verteilung der Fahrgäste auf jedem Stockwerk beschrieben.[3] In der praktischen Analyse kann nur ein Teil dieser Daten die Verkehrsflusseigenschaften eines Aufzugs in einem Gebäude widerspiegeln. Dazu gehören die Anzahl der Passagiere, die die Eingangshalle betreten und verlassen, sowie der gesamte Passagierfluss im Gebäude pro 5 Minuten. Intervall.

Eine Gruppe von Daten, die innerhalb jedes Intervalls erhalten wird, wird als Zeitreihe des Aufzugsverkehrsflusses betrachtet. Der Verkehrsfluss von Aufzügen kann mit allen verwendeten Methoden einer Zeitreihe analysiert und vorhergesagt werden. Der Vorhersageprozess beginnt mit der Erforschung des Zustands, der Daten und der Erfahrung. Nach Analyse und Beurteilung wird ein Modell gemäß einer Theorie und Methode erstellt. Dann werden die Ergebnisse verifiziert und diese Methode wird wiederverwendet, um zukünftige Probleme zu lösen.

Zeitreiheneigenschaften

Die Verkehrsflusszeitreihen müssen vor der Erstellung eines Aufzugsverkehrsflussmodells vorverarbeitet werden. Die Modellierungsmethode sollte nach korrekter Beurteilung der Reiheneigenschaft gewählt werden. Die Serienvorverarbeitung umfasst zwei wichtige Teile: stationäre und reine Zufallsprüfung. Zeitreihen können in verschiedene Typen eingeteilt werden, und in verschiedenen Typen werden unterschiedliche Methoden verwendet.

Stationäre Prüfung

Der Grad, in dem eine Zeitreihe stationär ist, ist die Prämisse der Modellierung. Dieses Attribut wird üblicherweise durch Merkmalsstatistiken definiert. Die statistischen Eigenschaften einer Zeitreihe werden als durch ihre Matrix niedriger Ordnung bestimmt. Wenn also die Matrix niedriger Ordnung der Zeitreihen stationär ist, kann garantiert werden, dass die Haupteigenschaft der Reihe annähernd stationär ist.

Die Beurteilung der Eigenschaft anhand von Sequenzdiagrammen und Autokorrelationen sind zwei Haupttestmethoden. Das Sequenzdiagramm einer stationären Reihe zeigt die Reihe, die zufällig um eine Konstante in einem begrenzten Bereich schwingt. Zeigt das Reihenfolgediagramm einen offensichtlichen Trend oder eine Periodizität, ist die Reihe in der Regel nicht stationär. Der Grad ihrer Stationärheit kann anhand eines Autokorrelationsdiagramms beurteilt werden, da eine stationäre Reihe die Eigenschaft der Kurzzeitkorrelation besitzt. Zusammen mit dem Anstieg einer nacheilenden Periode nimmt die Autokorrelation einer stationären Reihe schnell auf Null ab, während die Autokorrelation einer instationären Reihe normalerweise langsam abnimmt.

Reine Zufallsprüfung

Es ist auch notwendig zu wissen, dass die Sequenzwerte eine enge Korrelation aufweisen; Somit kann die Vorhersage durch das Gewinnen effektiver Informationen aus historischen Daten durch Modellierung realisiert werden. Wenn die Sequenzwerte keine Korrelation aufweisen, wird die Reihe in der statistischen Analyse als wertlos angesehen. Um sicherzustellen, dass die Serie eine Analyse wert ist, sollte ein reiner Zufallstest durchgeführt werden, der in der Regel die Teststatistik „Ljung-Box“ konstruiert.

ARIMA-Modell

Erweist sich die Vorverarbeitung der Aufzugsverkehrsfluss-Zeitreihen als nicht stationär, muss zunächst eine reibungslose Verarbeitung erfolgen. Anschließend sollte die Performance nach dem stationären Zeitreihenmodell analysiert werden. Die effektive und gängige Glättungsverarbeitung ist die differentielle Operationsmethode. Theoretisch wird durch das Zerlegungstheorem von Cramer garantiert, dass die richtige Differenzordnung eine vollständig deterministische Informationsextraktion sein muss. Für die nicht-stationären Reihen, die stationäre Eigenschaften nach der Differenz anzeigten, wird das ARIMA-Modell zur Vorhersage verwendet. Die Modellierungsschritte sind wie folgt (Abbildung 1):

Besorgen Sie sich Beobachtungsreihen.

Machen Sie den stationären Test. Wenn das Ergebnis zeigt, dass die Reihe stationär ist, führen Sie Schritt 4 durch; andernfalls führen Sie Schritt 3 durch.

Finden Sie den Unterschied in der Originalserie.

Führen Sie eine Überprüfung des weißen Rauschens für die stationäre Reihe durch. Wenn das Ergebnis zeigt, dass es sich bei der Serie um eine Serie mit weißem Rauschen handelt, führen Sie Schritt 6 aus. andernfalls führen Sie Schritt 5 aus.

Passen Sie das ARIMA-Modell mit der stationären und der Serie ohne weißes Rauschen an.

Ende.

SAS-Softwareanwendung

Einführung der SAS-Software

In diesem Papier hat das Modell eine SAS-Software integriert, die über ein spezielles Wirtschafts- und Zeitreihenmodul zur Analyse von Wirtschafts- und Zeitreihen verfügt. Darüber hinaus bietet es den Vorteil einer einfachen Programmiersprache, einer leistungsstarken Ausgabefunktion und eines präzisen Analyseergebnisses. Die hohe Datenspeicherfähigkeit des SAS-Systems verschafft ihm einen unvergleichlichen Vorteil bei der Datenanalyse.

Modell in SAS-Software erstellen

Die ARIMA-Modellierungsmethode umfasst drei Stufen: die Stufen Modellidentifikation, Parameterschätzung/Diagnoseprüfung und Vorhersage.[4] Das ARIMA-Modell in SAS wird durch den PROC ARIMA-Prozess realisiert. Seine Grundform wird wie folgt beschrieben:

PROCARIMA DATA=Zeitreihendatensatz OUT=Ausgabevorhersagedatensatz;

Bedingter WHERE-Ausdruck: IDENTIFY VAR=variable(…) ;

SCHÄTZEN ;

VORHERSAGE ;

LAUF;.

Anwendungsfall

Der Fahrstuhlverkehrsfluss beginnt als instationäre Zeitreihe, kann jedoch nach einer Differenz in der Größenordnung stationär werden. Somit kann die ARIMA-Methode verwendet werden, um den Verkehrsfluss von Aufzügen zu modellieren und anzupassen.

In diesem Artikel wird der Passagierfluss im Gebäude über 16 Arbeitstage untersucht. Untersuchte Werte sind die Gesamtzahl der Passagiere in und aus dem Gebäude pro 5 min. von 7 bis 7 Uhr Einhundertvierundvierzig Datenpunkte wurden erhalten (Abbildung 2). 

Berechnen Sie zur Vereinfachung des Modells die Durchschnittswerte der ersten 15 Tage zu einem entsprechenden Zeitpunkt als 16. Serie. Die Gültigkeit des Modells beinhaltet die Anpassung des Durchschnitts der ersten 15 Datensätze mit der Vorhersage des 16. Datensatzes.

Name der Variablen = x
Mittelwert der Arbeitsserie17.375
Standardabweichung10.74572
Anzahl der Beobachtungen144
Tabelle 1: Beschreibung der durchschnittlichen Verkehrsflussinformationen

Nach Eingabe der Durchschnittswerte in das Programm erhalten wir mehrere Meldungen, durch die die Initialisierung des Programms abgeschlossen wird:

  1. Erhalten Sie beobachtete Werte mit den unten aufgeführten beschreibenden Informationen zum durchschnittlichen Verkehrsfluss (in diesem Fall Tabelle 1).
  2. Bestimmen der Sequenzstabilität: Aus der Beobachtung der Autokorrelationsparameterwerte des durchschnittlichen Verkehrsflusses kann aus den Versuchsergebnissen herausgefunden werden, dass die Geschwindigkeit der Reduzierung des Autokorrelationskoeffizienten auf Null sehr langsam ist. Der Autokorrelationskoeffizient ist in der langen Verzögerungsperiode positiv und wird dann negativ. Es wurde nachgewiesen, dass die Zeitreihen des Aufzugsverkehrs aus instationären Sequenzen bestehen.
  3. Die ursprüngliche Serie muss stabilisiert werden. Durch Beobachten der Autokorrelationswerte nach der Differenz können wir feststellen, dass eine Reihe nach einer Differenzordnung eine starke Selbstkorrelation aufweist, was im Wesentlichen der Eigenschaft der stationären Reihe entspricht. Die Reihe der Differenzen einer Ordnung kann also als stationäre Reihe angesehen werden.
  4. Machen Sie den White-Noise-Test für die stationäre Differentialsequenz erster Ordnung. Nach den Angaben des White-Noise-Tests, wenn а gleich 0.05, der statistische Wert P weniger als а, was darauf hinweist, dass die Sequenz kein weißes Rauschen ist.
  5. Passen Sie die stationäre und die nicht-weiße Rauschsequenz des ARIMA-Modells nach der Differenz erster Ordnung an.
Name der Variablen = x
Differenzperiode(n)1
Mittelwert der Arbeitsserie0.006993
Standardabweichung3.448921
Anzahl der Beobachtungen143
Beobachtung(en) durch Differenzierung eliminiert1
Tabelle 2: Differentielle Sequenzdaten

Sequenzwerte werden dann eingegeben, um die Gültigkeit der Reihe und den Grad ihrer Stationärheit zu testen. Sobald die Daten erfasst sind, kann das ARIMA-Modell angepasst und ausgeführt werden, um entsprechende Informationen zu erhalten und das Ergebnis vorherzusagen. Nach Eingabe der Daten in das Modellierungsprogramm erhalten wir mehrere Meldungen:

  1. Die Daten der differentiellen Sequenz sind in Tabelle 2 gezeigt.
  2. Durch die Beobachtung von Autokorrelationswerten nach der Differenz können wir feststellen, dass die Reihe nach einer Differenzordnung eine starke Selbstkorrelation aufweist, die im Wesentlichen der stationären Reiheneigenschaft entspricht. Die Reihe der Differenzen einer Ordnung kann also als stationäre Reihe angesehen werden.
  3. Zur Bestimmung der optimalen Reihenfolge sind entsprechende Informationen in Tabelle 3 gezeigt. Da die Verzögerungsreihenfolge der Autokorrelation und des gleitenden Mittelwerts alle kleiner als 5 sind, erscheint in ARIMA(3,0). Daher wird das Modell AR(3) gewählt, um das Modell zu erstellen.
  4. Nach sorgfältiger Analyse der Informationen und mit Hilfe der Theorie der kleinsten Quadrate können wir die spezifische Formel des passenden Modells erhalten (Tabelle 4).
  5. Das passende Modell wird verwendet, um eine kurzfristige Vorhersage durchzuführen. Das Ergebnis ist in Tabelle 4 dargestellt.
Mindestinformationskriterium
LagsMA 0MA 1MA 2MA 3MA 4MA 5
AR02.133392.1137252.1441062.1226762.1372962.124878
AR12.106532.1163162.1414622.1277972.1170822.08291
AR22.123872.1336582.1650092.1363272.124072.110371
AR32.060322.0867832.1124962.1184522.1306922.119557
AR42.076592.0865912.1097942.125662.1571382.149176
AR52.067452.0704892.1024242.1171472.1492792.183758
Fehlerserienmodell: AR(16)
Minimaler Tabellenwert: BIC(3,0)=2.060321
Tabelle 3: Optimale Ordnungsbestimmung der Differentialfolge
Prognosen für Variable x
BeachtenPrognoseStandart Fehler95% Vertrauen: Limits
1452.29783.3267-4.22248.8180
1462.13324.6150-6.912111.1785
1471.92585.9233-9.683713.5353
Tabelle 4: Ausgabe des Vorhersagemodells: Werte stehen für (lr) fortlaufende Nummer des Sequenzwertes, Vorhersagewert, Standardfehler des Vorhersagewertes, 95 % untere Vertrauensgrenze und 95 % obere Vertrauensgrenze. Die Vorhersagegenauigkeit des Modells kann durch den Vergleich der Vorhersagewerte mit den Praxisdaten des 16. Tages ermittelt werden.

Die Modellanpassungs- und Prognosekurven sind in Abbildung 3 dargestellt. Daraus können wir entnehmen, dass die Verkehrsflussvorhersagedaten des 16.

 Schließlich kann der Verkehrsfluss des neuen ähnlichen Gebäudes anhand der historischen Aufzugsverkehrsflussdaten des Innengebäudes vorhergesagt werden, was die Grundlage für eine sinnvolle Auswahl und Konfiguration der Aufzüge bildet. Die Fördereffizienz der Aufzüge und der Flächennutzungsgrad des Gebäudes werden weiter verbessert.

Zusammenfassung

Die Eigenschaften des Aufzugsverkehrsflusses mit dem SAS-Programm zur Realisierung des ARIMA-Modells wurden analysiert. Auch der Aufzugsverkehrsfluss wird mit Hilfe dieses Modells vorhergesagt. Gültigkeit und Genauigkeit des Vorhersagemodells werden durch die Vorhersageausgabegrafik der Testdaten überprüft.

Basierend auf der Studie kann gefolgert werden, dass der wertvolle Datensatz zum Aufzugsverkehrsfluss durch das Datenverarbeitungsverfahren der Berechnung des Durchschnitts bei der Vorhersage des Aufzugsverkehrsflusses und das Sammeln und Speichern der Verkehrsdaten des gebauten Gebäudes erhalten werden kann. Diese Daten werden zur Eingabe in das ARIMA-Modell bei der Vorhersage des Aufzugsverkehrs verwendet. Die Prognosewerte in Kombination mit den praxisgerechten Gebäudeparametern können als Grundlage für die Aufzugskonfiguration verwendet werden.

Wissen

Diese Forschung wurde von der General Administration of Quality Supervision, Inspection and Quarantine Nonprofit Industry Specialized Research Funding (Nr. 201310153) unterstützt.

Referenzen
[1] Jianru, Wan und Yuefeng, Yang. „Forschung zur Auswahl von Aufzugsmodellen und Konfiguration und Optimierungsdesign“, China Elevator, 2009, 20 (19).
[2] Barney, GC; dos Santos, SM Elevator Traffic Analysis, Design and Control. London: IEE Peter Peregrinus, 1985.
[3] Huang, Min; Baotong, Cui; und Shusheng, Gu. „Forecast of Elevator Traffic Flow Based on Wavelet Neural Network Theory“, Control and Decision, 2006, 21(5): 589-592.
[4] Dewen-Zhu. „Statistische und dynamische Eigenschaften des Aufzugsverkehrs.“ China-Aufzug, 2003, 14(4): 23-27.
Verwandte Tags
Sponsored
Xu Ruiying, Yao Lianghong, Yu Kun und Wan Jianru

Xu Ruiying, Yao Lianghong, Yu Kun und Wan Jianru

Xu Ruiying ist Doktorand an der Tianjin University in Tianjin, China. Ihr Spezialgebiet ist die Leistungselektronik.
Yao Lianghong ist leitender Ingenieur am Guangdong Institute of Special Equipment Inspection and Research in Guangdong, China.
Yu Kun ist leitender Ingenieur am Guangdong Institute of Special Equipment Inspection and Research.
Wan Jianru ist Professor an der Universität Tianjin. Seine Spezialgebiete sind Leistungselektronik, elektrische Antriebe und Aufzugstechnik.

Sponsored
Sponsored
Elevator-World---Fallback-Image

Offene Kommunikationsprotokolle für Aufzüge, Teil 1

Penn-State-Aufzüge-Go-Up-Umweltrisiken-Go-Down

Penn State Aufzüge gehen nach oben; Umweltrisiken gehen zurück

Nach Amerika kommen

Coming to America

Passendes-zum-Industriellen-Thema

Passend zum Industriellen-Thema

Neu-Modernisierungs-Paket-Komponenten

Neues Modernisierungspaket, Komponenten

40. Jahrestagung-CECA-Convention-in-Quebec-City

40. jährliche CECA-Konferenz in Quebec City

Abbildung 4: „Globe Hoist Passenger Elevator Power Unit“ aus „Oil-Powered Units Safe Reliability of Modern Electric-Hydraulic Elevators, Lifts“ (EW, März 1955) von Annett

Hydraulische Aufzüge in den 1950er Jahren

ECNY-Lieferanten-Vitrine

Schaufenster der ECNY-Lieferanten

Sponsored
Sponsored